非小细胞肺癌患者外周淋巴细胞亚群绝对计数变化的临床价值

作者：Jianchun Yu

引言：免疫功能对非小细胞肺癌（NSCLC）患者的预后有重要影响。通过准确检测淋巴细胞亚群的百分比和数量，了解患者的免疫状态至关重要，这有助于评估预后情况和调整患者的治疗方案。

方法：

• 队列研究，天津中医药大学第一附属医院

• 单一平台，测定CD3+、CD3+CD4+、CD3+CD8、B细胞和NK细胞的绝对计数和百分比。

• 172名患者在术后接受了手术和化疗。

• 二项逻辑回归分析影响疾病进展的因素。

• 无进展生存期（PFS）采用Kaplan-Meier方法进行生存计算

• 对单变量和多变量分析分别使用了Log-rank检验和Cox比例风险回归（进入法）。

结果：

1. 与正常对照组相比，不同阶段的NSCLC患者表现出明显减少的绝对淋巴细胞计数，而淋巴细胞百分比变化不大。

2. 不同治疗对淋巴细胞的稳态有不同的影响，且效果持续时间较长。

3. 逻辑回归分析显示CD3+CD4+和CD3+CD8+可以有利于预后。

4. PFS预后因素的多变量分析显示CD3+和CD4+细胞是预测PFS的独立因素。

结论：CD3+、CD3+CD4+、CD3+CD8+、B细胞和NK细胞的绝对计数比各淋巴细胞亚群的百分比更能指示患者的免疫状态。非小细胞肺癌患者的免疫功能受损。基线绝对CD3+CD4+细胞计数较高有助于更长的无进展生存期。

http://dx.doi.org/10.1016/j.tranon.2020.100849

在乳腺癌患者中，外周淋巴细胞亚群绝对计数的变化对疾病进展和预后的预测价值

在乳腺癌患者中，外周淋巴细胞亚群绝对计数的变化对疾病进展和预后的预测价值

背景：由于淋巴细胞亚群的数量和比例是免疫功能的重要指标，深入理解恶性肿瘤患者的免疫功能对于治疗、预后和疾病评估具有重要的临床价值。本回顾性研究旨在评估淋巴细胞亚群绝对计数作为乳腺癌患者疾病进展和预后潜在的血液生物标帜物的价值。

方法：本研究共纳入237名乳腺癌患者和55名年龄匹配的健康女性捐赠者。采用流式细胞术测定CD3+、CD4+、CD8+、B和NK细胞的绝对计数和百分比。

• 使用受试者工作特征曲线（ROC）评估淋巴细胞亚群绝对计数在疗效评估中的准确性。

• 通过Cox比例风险回归确定影响疾病进展的病理参数。

• 无进展生存期（PFS）采用Kaplan-Meier方法估计，并用对数秩检验。

结果：

1. 与健康捐赠者相比，患者的淋巴细胞亚群绝对计数显著降低。

2. ROC分析显示CD4+绝对计数的曲线下面积为90%（95%置信区间0.859-0.940），敏感性和特异性分别80.9%和85.3%

3. Cox回归分析显示CD4+绝对计数的截止值≥451细胞/μL可能是一个有利的预后因素。

4. 多变量分析PFS的预后因素显示CD4+和CD8+绝对计数是预测PFS的独立因素。

结论：乳腺癌患者CD3+、CD4+、CD8+、B和NK细胞的绝对计数显著受损，可用作评估患者免疫状态的潜在易感性的生物标志物。CD4+和CD8+绝对计数水平较高可能有助于延长乳腺癌患者的PFS和有利预后。

比例没有显著差异，但是绝对计数出现了显著意义？这应该如何理解？

统计变换

 下面的代码将会构建一个条形图，显示diamonds数据集中按照cut变量分组的各种钻石的总数量。

ggplot(data = diamonds) + 
  geom_bar(mapping = aes(x = cut))

条形图显示，高质量切割钻石的数量要比低质量切割钻石的数量多：条形图的x轴显示的是cut，这是diamonds数据集中的一个变量。y轴显示的count，但count不是diamonds中的变量！

有一些图形可以根据计算出的新数据绘制图形：

• 条形图、直方图和频率多边形图可以对数据进行分箱，然后绘制出分箱数量和落在每个分箱的数据点的数量。

• 平滑曲线会为数据拟合一个模型，然后绘制出模型预测值。

• 箱线图可以计算出数据分布的多种摘要统计量，并显示一个特殊形式的箱体。

绘图时用来计算新数据的算法成为统计变换（statistical transformation，stat）。

通过查看stat参数的默认值，可以知道集合对象函数施用了哪种统计变换。

通常来说，几何对象函数和统计变换函数可以互相使用。例如，可以使用stat_count()替换上述代码中的geom_bar()来重新生成条形图：

ggplot(data = diamonds) + 
  stat_count(mapping = aes(x = cut))

可以这样做的原因是：

每个几何对象函数都有一个默认统计变换；

每个统计变换函数都有一个默认几何对象。

想要显示使用摸偶中统计变换的3个原因如下：

• 覆盖默认的统计变化

library(tibble)
demo <- tribble(
  ~a, ~b,
  "bar_1", 20,
  "bar_2", 30,
  "bar_3", 40,
)
ggplot(data = demo) +
  geom_bar(
    mapping = aes(x = a, y = b), stat = "identity"
  )

在上述代码中，将geom_bar()函数的统计变换从计数（默认值）修改为标识，此时，y轴变量的初始值被映射为条形的高度。

• 想要覆盖从统计变换生成的变量到图形属性的默认映射。

#..prop..是ggplot2中的一个内建函数，用于计算每个组的占比（即每个类别的计数除以总数）
# group = 1,指定了分组变量为1，所有的条形被归为同一组，因此，不会对条形进行分组显示。
ggplot(data = diamonds) + 
  geom_bar(
    mapping = aes(
      x = cut, y = ..prop.., group = 1
    )
  )

• 想要在代码中强调统计变换

自我与非我，有害与无害

• 作为第一道防线，先天免疫系统通过检测微生物感染或内源性细胞损伤的威胁信号来持续地监测自身环境。这套体系被成为"先天的"，是因为感受机制是种系编码的并且在病原体入侵之前就已经存在。先天免疫的这种探测机制最先被认为是"模式识别"，微生物中保守的分子，诸如病毒核酸、细菌脂多糖、鞭毛蛋白，被模式识别受体（PRR）识别，并向免疫系统发出警报。微生物中这些保守的分子则被称为"病原体相关模式分子（PAMP）"，而从受到损伤或者死亡的细胞释放的分子则构成另一类分子，称为"损伤相关模式分子（DAMP）"。模式识别的改变在第一个模式识别受体被确认之前就已经被提出来了，这个概念提供了一种区分自我与非我的方法，并很好地预测了细胞表面Toll样受体（TLR）将识别的物质。
  
• 然而，越来越多的细胞内先天免疫受体被发现，并非所有的受体都直接与保守的PAMP或DAMP相互作用。相反，先天免疫受体通常通过检测PAMPs或DAMPs所引起的细胞变化来间接感知危险信号。这些受体不是识别模式，而是识别扰动，因此能够区分有害和无害，而不必区分自身和非自身，因为这些扰动可能来自内源性和外源性来源。在大多数情况下，先天免疫受体引发转录程序，如细胞因子、趋化因子和抗微生物肽的表达，以发挥宿主防御作用；然而，有时他们会引起细胞死亡以阻止病原体的传播，这是一种在绝望情况下采取的措施。
  
• 炎症小体是一种细胞质超分子复合物，可以激活半胱氨酸天冬氨酸蛋白酶1或其他炎性半胱氨酸蛋白酶。虽然，一些炎症小体感受器是模式识别受体，但其他一些则是扰动检测器。其中研究最多的炎性小体之一是NLRP3炎性小体，它正在成为细胞应急和细胞膜损伤的扰动探测器。NLRP3，也被称为Cryopyrin（冷源蛋白），属于核苷酸结合区域-和亮氨酸富集重复-蛋白家族。已经发现NLRP3表达在髓系免疫细胞如中性粒细胞、单核细胞和树突状细胞；屏障细胞；淋巴细胞和神经元中，并与影响不同年龄组的许多人类疾病相关。NLRP3基因一场会导致被统称为冷源蛋白相关周期性综合征（CAPS）的疾病。已经证明，NLRP3炎症小体在许多常见疾病中发挥重要作用，从代谢性疾病如2型糖尿病和肥胖症到中枢神经系统疾病如阿尔茨海默病和帕金森病以及各种癌症。
  
• NLRP3激活需要两个步骤，启动步骤和激活步骤。首先，NLRP3的表达可以通过识别PAMP或DAMP后的PRR或参与免疫和炎症反应的细胞因子来启动。NF-κB或其他转录因子激活后，NLRP3和其他炎症小体成分的转录表达会上调。NLRP3的翻译后修饰（泛素化、磷酸化、苏木化）也会引发NLRP3激活，同时仍使NLRP3保持自身抑制状态。第二步，NLRP3被多种微生物和无菌刺激激活，这些刺激通常导致K+流出或其他离子变化。这些刺激物的范围从细菌毒素（如尼日利亚霉菌）到细胞外ATP，再到颗粒物（尿酸晶体、胆固醇晶体和淀粉样蛋白）。重要的是，已发现有助于有丝分裂的丝氨酸/苏暗算激酶NEK7（NIMA相关激酶）通过直接结合在NLRP3激活中发挥关键作用。激活后，NLRP3会组装并招募下游组件，以形成炎症小体复合物，并且激活的炎症性半胱天冬酶会蛋白水解处理细胞因子以生成成熟形成并诱导称为细胞焦亡的高度炎症性细胞死亡形式。